论文部分内容阅读
近年来,家禽疫病频发严重地冲击了家禽业,不仅对养殖户造成巨大的经济损失,同时也严重的威胁到人类的健康。因此,家禽疫病已经成为了家禽饲养户乃至国家所关注的重点问题。目前,家禽疫病的监测主要是以人工巡检为主,饲养人员通过观察家禽姿态、羽毛、鸡冠、粪便和声音等特征对家禽健康状态进行初步诊断。人工巡检耗时费力,且容易漏检,同时养殖场内粉尘多、气味浓,长时间逗留有可能对工作人员的身体造成损伤。鉴于此,本文将机器视觉的方法引入家禽疫病检测中,通过检测家禽的异常行为来达到提前预警的目的。目前国内外家禽养殖主要分为散养和笼养两种模式。本研究根据两种养殖模式的差异分别设计了不同的机器视觉算法,以对家禽的异常行为进行检测,研究对象为常见的白羽鸡和黄羽鸡。图像分割算法是后续算法的前提和保证,为此本文首先介绍了多种应用在不同场合下的家禽图像分割算法。此后,文章从运动的角度对家禽进行分析,并提出了两种家禽目标追踪算法。紧接着,文章从静态的角度分别对散养鸡和笼养鸡的异常行为进行研究。在对散养鸡的研究中,文章首先通过机器学习的方法对散养鸡的姿态特征进行深入研究,然后又利用深度学习的方法对多只散养鸡进行目标识别和异常行为的检测。在对笼养鸡的研究中,文章利用深度摄像头识别食槽下方的疑似病鸡从而对家禽的异常行为进行检测。本文的主要研究内容如下:(1)提出了多种家禽图像分割算法。本文除了将传统的基于HSV颜色空间的分割算法和基于背景差分的分割算法应用在家禽上以外,还根据家禽的特点设计了基于椭圆模型的分割算法和基于K均值聚类和椭圆模型相结合的分割算法,这两种算法能很好的将整鸡进行分割。为了能够适应复杂的环境变化,本文又提出了基于深度信息的家禽分割算法,采用深度摄像头从三维的角度对家禽进行分割。最后,本文提出了利用深度学习技术对家禽进行分割的算法,对比分析了现有的三种在分割领域中较为出色的深度学习模型,并构建了肉鸡数据集来对三种模型进行训练和测试。(2)提出了两种家禽目标追踪算法。目标追踪是数字图像处理领域的一大难点之一。目标追踪常见的研究对象是行人和汽车,将目标追踪技术应用到家禽疾病诊断上的研究为数不多。本文提出了基于高斯粒子滤波的家禽追踪算法和基于轮廓特征的多目标家禽追踪算法。试验结果表明,前者能够在光线条件较差的环境下成功的对家禽目标进行追踪,同时具有一定的抗干扰能力,能在一定程度上解决遮挡造成的目标丢失问题。后者能够同时追踪多只肉鸡,算法运算量少,适用范围较广。(3)提出了基于机器学习的散养鸡异常行为检测方法。该方法的研究对象是禽舍内的散养鸡。算法利用K均值聚类和椭圆模型相结合的分割算法对家禽进行分割,通过细化方法获取肉鸡骨架的拓扑结构,分析健康鸡和病鸡的姿态特征区别,并利用机器学习方法对健康鸡和病鸡进行分类和判断。经过对比试验分析,文章最终选取支持向量机(SVM)对肉鸡图像样本进行识别分类。该方法拥有优秀的泛化能力,适用于小样本的学习,适合疾病诊断。基于多项式核函数的SVM模型在测试集中的分类精确率为99.469%,优于其它机器学习算法,达到了精度要求,把错检率降到最低。(4)提出了基于深度学习的散养鸡异常行为检测方法。该方法的研究对象是禽舍内的散养鸡。文章对原有的基于深度学习的目标检测模型进行改进,提出了一种对多只鸡只进行疾病预警的目标检测模型IFSSD。该模型以改进的Inception V3网络作为基网络,加入特征融合技术,并以此生成特征金字塔网络。IFSSD模型在对肉鸡数据集进行识别中精确度高,在交并比(Io U)大于0.5时平均精确率均值(m AP)为99.7%,Io U大于0.9时m AP为48.1%。同时该模型在单张英伟达1070Ti的显卡下运行速度能达到40帧每秒(fps)。该方法的优点在于能对图像中的多只肉鸡同时进行识别,能在一定程度上区分互相重叠的肉鸡,识别准确率高。(5)提出了基于机器视觉的笼养鸡异常行为检测方法。该方法的研究对象是禽舍内的笼养鸡。算法在对图像进行旋转校正后识别出食槽的位置进而获取待检区域,然后在待检区域内利用深度图对鸡只进行背景分割并最终识别出卧倒鸡只。试验结果表明,算法在白羽鸡鸡舍中能够达到97.80%的精确率和80.18%的召回率(Io U>0.5),在黄羽鸡鸡舍中能够达到79.52%的精确率和81.07%的召回率(Io U>0.5)。在i5-85003.20 GHz的CPU下,分辨率为640×480的图像算法速度为10 fps。该方法能够在不改变环境的前提下解决光线不足的问题,在复杂的鸡笼环境下识别鸡只站立和卧倒姿态,对长期处于卧倒姿态的鸡只进行记录并提醒工作人员对该鸡只做进一步检查。